Quiz-Patrones-Ocultos

Si entrenamos un LLM (ChatGPT, Copilot, etc.) con datos que contienen sesgos raciales (muchos datos de Twitter o X). ¿Qué ocurrirá probablemente?

• El modelo se corregirá automáticamente

• El modelo reproducirá los sesgos

• El modelo ignorará los sesgos por ser inteligente

• No afectará nuestro resultado (tendremos resultados sin sesgos)

Un sistema de reclutamiento automático aprende (gracias a datos históricos) que la mayoría de las contrataciones fueron hombres. ¿Qué consecuencia ocurrirá probablemente?

• Mayor preferencia por candidatos hombres

• Mayor preferencia por candidatos mujeres

• Igualdad total en las recomendaciones

Si ambas variables aumentan en verano , ¿cuál sería una interpretación correcta?

• Comer helados causa ahogamientos

• Ahogarse causa mayor venta de helados

• No podemos saber si hay una simple correlación o es causalidad

• Hay un tercer factor: el clima es más cálido en verano --> más gente nada y más gente compra helados

¿Qué nos podría ayudar a demostrar causalidad y no solo correlación?

• Recolectar más datos

• Hacer ensayos donde podamos aislar el efecto causal

• Calcular más métricas como el promedio o usar box plots

• Usar más gráficos

Analizamos la satisfacción de clientes con encuestas online y notamos que la mayoría responde con opiniones muy positivas o muy negativas. ¿Por qué pasa esto?

• Sesgo de selección (la gente que contesta las encuestas no son gente en medio son gente que quiere hablar)

• Nuestra medición está mal

• Es pura correlación no hay una causa

• No hay explicación racional

En una ciudad el ingreso promedio anual es de 500, 000 MXN. Sin embargo la mayoría de personas, gana menos de 200, 000 MXN. ¿La media es un buen medidor?

• Verdadero

• Falso

La estadística es la única ciencia que si te estás quemando tu pie derecho y congelando el pie izquierdo te dirá que en promedio estás bien. ¿A qué sesgo (de los que vimos) corresponde esta afirmación?

• Mentira del promedio

• Correlación ≠ Causalidad

• Sesgo de Selección

• Garbage in --> Garbage out

Queremos predecir que tanto impacta Copilot la productividad de las personas que trabajan en Scania, pero solo tenemos datos de quienes terminaron el curso. ¿Qué sesgos podrían estar presentes?

• Mentira del promedio

• Correlación ≠ Causalidad

• Sesgo selección

• Garbage in --> Garbage out

VW evalúa la productividad de sus empleados, pero solo mide a los que siguen en la compañía después de un año. Y publica "Todos los empleados de VW son más productivos que el promedio mexicano"

¿Qué problema podría haber?

• No se puede calcular productividad

• Se ignora a empleados que se fueron y tienen datos relevantes para la comparación

• Productividad siempre aumenta con el tiempo

Un estudio publica: "Se descubre que las personas que llevan un encendedor son en promedio más propensas. a desarrollar cáncer de pulmón". ¿Qué sesgo se podría estar presentando?

• Garbage in --> Garbage out

• Mentira del promedio

• Sesgo de selección

• Correlación ≠ Causalidad